浅析深度学习算法在服装推荐系统中的应用

张骞 陕西医药控股集团派昂医药有限责任公司

1 深度学习算法的服装推荐模型构建

1.1 相似长短期记忆网络

基于深度学习算法基础上，构建服装推荐系统，首先需要对相似长短期记忆网络进行模拟构建。长短期记忆网络是通过对用户日常服装浏览信息记忆评估。根据网络浏览中的数据进行长期与短期评估，并根据数据之间的相似度对记忆信息进行归类，从而评估判断用户对服装的喜好类型。长短期记忆网络是基于循环神经网络系统技术上，构建的浏览信息自动保存与国内网络，处于网络环境中，用户在浏览信息时所输出的文本信息能够通过相互关联产生整体系统，并根据输入门与输出出门分类，形成长期与短期内的记忆模型。在分析运算过程中，会根据信息出现频率选择自动隐藏，对于出现频率较高达到预期推荐标准的数据，同样会形成短期记忆，并增大相关服装信息的推荐频率。在长短期记忆网络信息分类过程中，需要对输入与输出信息进行归类，判断函数运算过程中的激活方法，并根据最终所得到的结果，实现相乘序列构建。

1.2 基于长短期记忆的文本建模

服装推荐系统构建，还需要继续长短期记忆进行文本建模。在程序汇编过程中，对于长短期记忆网络的运用需要对其进行界定，将其视为一个整体函数集合，并对每一个标题进行句子定义，实现向低维向量空间特征中的转换。对函数的参数进行定量求解，并通过嵌入理想特征，完善对不同服装文本的搭配。在查询服装信息过程中，仅仅通过输入标题或者相关词，便能够启动长短期记忆网络系统。基于长短期记忆基础上的文本建模，需要对函数集合进行准确判断，并在分析过程中明确经典长短期记忆网络的特征。输入输出阶段根据所得到的最终分析结果，对商品标题进行空间界定。这样用户在日常网络信息浏览中，便能够根据服装信息出现几率判断用户个人喜好，从而完成服装推荐任务。

1.3 基于浏览信息记忆挖掘的服装搭配推荐

基于长短期记忆基础上的文本建模，需要对函数集合进行准确判断，并在分析过程中明确经典长短期记忆网络的特征。输入输出阶段根据所得到的最终分析结果，对商品标题进行空间界定，这样用户在日常网络信息浏览中，便能够根据服装信息出现几率判断用户个人喜好，从而完成服装推荐任务。基于浏览信息基础上需要对浏览信息进行自动评估分类，并在挖掘过程中判断接下来的搭配形式，通过服装搭配推荐，对最终的服装浏览类型进行判断。同时也需要根据浏览信息挖掘，对用户的服装类型喜好特征进行深层次评估，对最终得到的浏览信息与挖掘信息相互整合。对于浏览信息继续发掘中的服装搭配推荐，还需要进行服装信息之间相似度评比。根据损失函数运算，判断服装搭配过程中标题语句的相似程度，根据标题语句映射构建，逐渐向低维向量空间进行信息渗透。

2 基于图像与文本信息挖掘的服装推荐系统构建

2.1 图像与文本信息特征捕捉

基于图像与文本信息挖掘基础上进行服装推荐系统构建，首先需要对图像与文本信息的特征进行捕捉，并进行特征之间的相互对比。通过图像与文本信息之间的特征融合，对于图像文本信息的特征捕捉，还需要考虑信息之间的相似度是否在函数运算集合范围内，并根据服装推荐系统的构建需求，对各类相似度进行比较，进行最终的预算范围判断。通过标题语句，嵌入式方法对语句之间的相似度进行深层次比较，并通过运算公式确定函数集合的包含信息范围，进行各类数据之间的相互评比，从而构建形成服装推荐文本信息样本。服装样本推荐过程中对于不同损失函数集合确定需要根据距离进行判断，副样本之间的距离越高，表示最终的损失函数越小，如果副样本之间的距离逐渐减小，将会出现服装推荐信息集合范围过于狭窄的问题。

2.2 图像与文本信息特征融合

基于图像与文本信息之间的各种融合，通过交互换数据挖掘，实现对最终服装推荐系统的整体构建，对于图像与样本信息的特征融合，首先需要进行嵌入空间特征提取，并针对嵌入空间中的距离进行运算。服装搭配过程中的相容性问题分析，更需要在嵌入过程中对比不同服装数据之间的相似度相似度越高，表示最终的融合程度越高，可以进入到接下来的服装推荐中，如果相似度低于1。在推荐过程中表示，数据并没有达到最佳效果，不可以进行接下来的特征融合，还需要判断特征之间的非线性融合关系，将服装中的图像与文本信息进行特征非线性比较。观察所得到的比较结果，并进行下一步的交叉熵损失函数分析运算。构建形成全新的矩阵，在矩阵中针对图像与文本信息明确分类。根据特征分类后进行最终的信息融合，从而构建形成服装推荐系统中的信息数据库，在信息数据库支持作用下，网络环境中对某一特征进行提取后，可以直接启动数据库中的对应信息，完成推荐任务。

2.3 基于卷积神经网络建模

最后是推荐过程中，基于卷积神经网络的系统建模系统建模，是实现推荐功能的最终环节。可以将标题语句表达构建成30×300的矩阵，并在其中输入长期与短期的记忆语句。在记忆语句中对神经元网络模型进行构建考虑，最终是否能够再集合范围内确定服装推荐系统的功能范围，并对隐藏的数据信息单元层进行平均提取，构建形成项链之间的关联关系得到的标题语句。进行多种模拟神经元网络的分级处理，并确定最终的参数权重，在参数权重范围内进行实验，确定最终的集合损失，当即和损失，在服装推荐系统允许范围内可以停止实验，完成功能设计。卷积神经网络建模，对于数据信息的捕捉更加精准，同基于网络环境中也能够同时处理不同来源范围的矩阵信息。但在构建过程中，需要对所述的服装标题，语句进行图像与以及文本信息分类。确定其中的特征向量在此基础上才能对历史服装浏览数据信息进行自动捕捉与保存，进行更为合理的服装信息推荐。

3 结语

衣服推荐在个人日常穿搭和电商平台的衣服推荐等各种应用场景中都具有重要的指导意义。基于深度学习的衣服搭配算法研究正是在这样的背景下产生的。本文的主要研究内容就是利用深度神经网络中计算机视觉和自然语言处理的相关技术实现基于图像和文本的衣服搭配推荐。利用长短期记忆网络对衣服标题进行建模，同时结合相容矩阵学习两个输入之间的搭配关系，提出了基于长短期记忆网络和相容矩阵的衣服搭配推荐模型。在此基础上把图像特征和文本特征相融合，提出了基于图像和文本信息融合的衣服搭配推荐模型。未来可以可以尝试将长短期记忆网络应用于图像建模，使用长短期记忆网络对卷积神经网络得到的多个特征图进行融合；可以尝试将用户对衣服的评价作为衣服的属性进行学习。